Adoptionszahlen erzählen eine Geschichte. Die zugrundeliegende Technologie erzählt eine andere. Ein Bericht der MIT Sloan School of Management und der Boston Consulting Group vom November 2025 ergab, dass 35 Prozent der befragten Unternehmen bereits AI Agents eingesetzt hatten, während weitere 44 Prozent planten, Agentic AI in naher Zukunft zu implementieren. Das ist ein bemerkenswertes Momentum für eine Kategorie, die die meisten Menschen – einschließlich vieler, die sie bereits einsetzen – kaum präzise definieren können. Es ist nützlicher zu verstehen, was Agentic AI tatsächlich ist, wo sie gut funktioniert und wo sie wirklich an Grenzen stößt, als allein die Adoptionskurve zu verfolgen.
Von der Textgenerierung zum Handeln
Am klarsten lässt sich Agentic AI verstehen, wenn man sie den generativen KI-Tools gegenüberstellt, die die meisten Menschen bereits kennen. Systeme wie ChatGPT oder Claude erzeugen Ausgaben: Text, Bilder, Code, Zusammenfassungen. Sie reagieren. Agentic AI hingegen handelt. Sie kann einen Flug buchen, mit einer Website interagieren, eine Abfolge von Schritten in einer Softwareumgebung ausführen oder ein physisches System wie einen Roboter steuern. Der Unterschied ist nicht oberflächlich. Er verändert die Art des Risikos, die erforderliche Aufsicht und das Maß an Vertrauen, das ein Nutzer dem System entgegenbringen muss.
Was die meisten Menschen nicht wissen: Die Mehrheit der heute auf dem Markt befindlichen AI Agents basiert auf demselben kleinen Satz von Foundation Models. Ein Unternehmen nimmt ein Modell wie Claude, versieht es mit spezifischen Tools und Speicherfähigkeiten und setzt es für einen bestimmten Anwendungsfall ein. Der „Agent” ist größtenteils die Hülle darum: die Tools, auf die er zugreifen kann, die Daten, die er speichern kann, die Aktionen, die er ausführen darf. Diese architektonische Realität, erläutert von Phillip Isola, außerordentlichem Professor am MIT Department of Electrical Engineering and Computer Science und Mitglied des CSAIL, erklärt, warum sich Agentic AI so schnell verbreitet hat. Der schwierige Teil – der Aufbau eines leistungsfähigen Foundation Models – war bereits erledigt. Die verbleibende Arbeit besteht in Integration und Konfiguration.
Wo es funktioniert – und wo es hapert
Coding Agents sind bislang die deutlichste Erfolgsgeschichte im Bereich Agentic AI. Die Gründe dafür sind aufschlussreich. Code ist ein Bereich, in dem Korrektheit automatisch überprüft werden kann. Ein Agent kann eine Lösung versuchen, sie ausführen, prüfen, ob sie funktioniert, und iterieren. Diese Rückkopplungsschleife macht das Lernen handhabbar. Wenn die Umgebung klare Signale über Erfolg und Misserfolg liefert, können Agents durch Versuch und Irrtum auf eine Weise lernen, die sich in unübersichtlicheren, mehrdeutigeren Bereichen nur schwer replizieren lässt.
Das Problem der Trainingsdaten ist überall sonst der zentrale Engpass. Man denke an etwas scheinbar so Einfaches wie das Online-Buchen eines Fluges. Die dafür erforderliche Abfolge von Aktionen – zu wissen, wo man klicken muss, wie man mit Fehlern umgeht, wann man anrufen und verhandeln sollte – ist in keinem Datensatz gut dokumentiert. Agents, die solche Aufgaben versuchen, müssen durch das Erkunden realer Umgebungen lernen, die schwer zu modellieren und unvorhersehbar sind. Das ist keine geringfügige technische Herausforderung. Es ist eine grundlegende Einschränkung dafür, wie schnell Agentic AI über die Bereiche hinauswachsen kann, in denen sie bereits gut abschneidet.
Isola zieht eine wichtige Unterscheidung zwischen Agentic AI und analytischer KI. Systeme, die Ergebnisse modellieren, Muster aufzeigen oder menschliche Entscheidungen unterstützen, sind im technischen Sinne keine Agents. Sie handeln nicht autonom. Für Bereiche mit hohem Risiko – wie Medizin, Sicherheit und übergeordnete Unternehmensstrategie – kann diese Art von Entscheidungsunterstützung angemessener sein als vollständige Automatisierung: sowohl weil die Technologie möglicherweise noch nicht bereit ist, als auch weil das in diesen Kontexten erforderliche Maß an menschlicher Verantwortlichkeit eine vollständige Delegation grundsätzlich problematisch macht.
Die unterschätzten Risiken
Genau das übersieht der Großteil der Berichterstattung über Agentic AI: Die Risiken betreffen nicht nur das, was Agents von sich aus falsch machen. Ein erheblicher Teil des Risikos entsteht durch die Art, wie Menschen sie einsetzen.
Die Benutzerfreundlichkeit von Agentic Tools erzeugt eine spezifische Fehlerquelle. Wenn ein Coding Agent aus einer vagen Eingabe funktionierende Software generieren kann, ist die Versuchung groß, den Verifikationsschritt zu überspringen. Fehler schleichen sich ein. Private Daten werden offengelegt. Isola stellt fest, dass dies bereits geschieht. Der Agent funktioniert möglicherweise genau wie vorgesehen; das Problem ist, dass der Mensch die Aufgabe nicht sorgfältig genug definiert oder die Ausgabe nicht gründlich genug geprüft hat – weil das Tool den Eindruck erweckte, die schwere Arbeit sei bereits getan.
Darüber hinaus gibt es eine längerfristige Sorge. Wenn Menschen kognitive Aufgaben – darunter Programmieren, mathematisches Denken und Recherche – routinemäßig an automatisierte Systeme delegieren, können die Fähigkeiten, diese Aufgaben eigenständig zu erfüllen, verkümmern. Das Risiko ist nicht hypothetisch. Es ist ein bekanntes Muster aus anderen Bereichen, in denen Automatisierung dazu geführt hat, dass Menschen eine Fähigkeit seltener üben. Die Sorge wird dadurch verstärkt, dass die Technologie in vielen dieser Bereiche noch nicht zuverlässig genug ist, um menschliches Urteilsvermögen vollständig zu ersetzen. Zu früh zu delegieren – bevor das System bereit ist – schafft eine Situation, in der weder der Mensch noch der Agent vollständig kompetent ist.
Kurz zusammengefasst
Agentic AI ist keine neue Modellkategorie. Es ist eine neue Art, bestehende Modelle einzusetzen: ihnen Tools, Speicher und die Fähigkeit zu geben, zu handeln statt nur zu reagieren. Sie funktioniert am besten dort, wo Feedback klar und Fehler korrigierbar sind – wie beim Programmieren. Sie hat Schwierigkeiten, wo Trainingsdaten spärlich und Umgebungen unvorhersehbar sind. Die Adoptionsrate ist hoch, aber die Reife der Technologie ist uneinheitlich – und die am meisten unterschätzten Risiken sind keine technischen Fehler, sondern menschliche: unzureichende Überprüfung, vage Anweisungen und die schrittweise Erosion der Fähigkeiten, die Aufsicht erfordert. Die offene Frage für das Fachgebiet lautet, ob die nächste Generation von Agents auf derselben LLM-Architektur mit besseren Tools aufgebaut wird oder ob grundlegend neue Architekturen benötigt werden, um die physische und kontinuierliche Welt zu bewältigen. Diese Frage hat noch keine Antwort.
Basierend auf Berichten von MIT News AI.